本套课程来自CSDN学院由培训机构讲师唐宇迪老师主讲：深度学习框架-PyTorch实战，课程官方售价398元，专注于机器学习与计算机视觉领域，深度学习领域一线实战讲师唐宇迪主讲，用最通俗易懂的语言教生涩难懂的PyTorch教程，PyTorch是一个以Python优先的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络，这是很多主流深度学习框架比如Tensorflow等都不支持的，课程共分为16个章节对PyTorch不同板块都进行了系统的讲解，课程共计5.5G。
课程安排：
1.纯实战，经典深度学习案例与项目；
2.从零开始，详解其中每一步流程；
3.通俗易懂，最接地气的方式进行讲解；
4.提供所有数据与代码，追随热点持续更新。
适用人群：
人工智能，深度学习方向的同学们
课程目录：
一、PyTorch框架基本处理操作
001.PyTorch实战课程简介.mp4
002.PyTorch框架发展趋势简介.mp4
003.框架安装方法（CPU与GPU版本）.mp4
004.PyTorch基本操作.mp4
005.自动求导机制.mp4
006.线性回归DEMO-数据与参数配置.mp4
007.线性回归DEMO-训练回归模型.mp4
008.补充：常见tensor格式.mp4
009.补充：Hub模块简介.mp4
课程数据代码下载.txt
二、神经网络实战分类与回归任务
010.气温数据集与任务介绍.mp4
011.按建模顺序构建完成网络架构.mp4
012.简化代码训练网络模型.mp4
013.分类任务概述.mp4
014.构建分类网络模型.mp4
015.DataSet模块介绍与应用方法.mp4
三、卷积神经网络原理与参数解读
016.卷积神经网络应用领域.mp4
017.卷积的作用.mp4
018.卷积特征值计算方法.mp4
019.得到特征图表示.mp4
020.步长与卷积核大小对结果的影响.mp4
021.边缘填充方法.mp4
022.特征图尺寸计算与参数共享.mp4
023.池化层的作用.mp4
024.整体网络架构.mp4
025.VGG网络架构.mp4
026.残差网络Resnet.mp4
027.感受野的作用.mp4
四、图像识别核心模块实战解读
028.卷积网络参数定义.mp4
029.网络流程解读.mp4
030.Vision模块功能解读.mp4
031.分类任务数据集定义与配置.mp4
032.图像增强的作用.mp4
033.数据预处理与数据增强模块.mp4
034.Batch数据制作.mp4
五、迁移学习的作用与应用实例
035.迁移学习的目标.mp4
036.迁移学习策略.mp4
037.加载训练好的网络模型.mp4
038.优化器模块配置.mp4
039.实现训练模块.mp4
040.训练结果与模型保存.mp4
041.加载模型对测试数据进行预测.mp4
042.额外补充-Resnet论文解读.mp4
043.额外补充-Resnet网络架构解读.mp4
六、递归神经网络与词向量原理解读
044.RNN网络架构解读.mp4
045.词向量模型通俗解释.mp4
046.模型整体框架.mp4
047.训练数据构建.mp4
048.CBOW与Skip-gram模型.mp4
049.负采样方案.mp4
七、新闻数据集文本分类实战
050.任务目标与数据简介.mp4
051.RNN模型所需输入格式解析.mp4
052.项目配置参数设置.mp4
053.新闻数据读取与预处理方法.mp4
054.LSTM网络模块定义与参数解析.mp4
055.训练LSTM文本分类模型.mp4
056.Tensorboardx可视化展示模块搭建.mp4
057.CNN应用于文本任务原理解析.mp4
058.网络模型架构与效果展示.mp4
八、对抗生成网络架构原理与实战解析
059.对抗生成网络通俗解释.mp4
060.GAN网络组成.mp4
061.损失函数解释说明.mp4
062.数据读取模块.mp4
063.生成与判别网络定义.mp4
九、基于CycleGan开源项目实战图像合成
064.CycleGan网络所需数据.mp4
065.CycleGan整体网络架构.mp4
066.PatchGan判别网络原理.mp4
067.Cycle开源项目简介.mp4
068.数据读取与预处理操作.mp4
069.生成网络模块构造.mp4
070.判别网络模块构造.mp4
071.损失函数：identity.loss计算方法.mp4
072.生成与判别损失函数指定.mp4
073.额外补充：VISDOM可视化配置.mp4
十、OCR文字识别原理
074.OCR文字识别要完成的任务.mp4
075.CTPN文字检测网络概述.mp4
076.序列网络的作用.mp4
077.输出结果含义解析.mp4
078.CTPN细节概述.mp4
079.CRNN识别网络架构.mp4
080.CTC模块的作用.mp4
十一、OCR文字识别项目实战
081.OCR文字检测识别项目效果展示.mp4
082.OCR文字检测识别项目效果展示.mp4
083.检测模块候选框生成.mp4
084.候选框标签制作.mp4
085.整体网络所需模块.mp4
086.网络架构各模块完成的任务解读.mp4
087.CRNN识别模块所需数据与标签.mp4
088.识别模块网络架构解读.mp4
十二、基于3D卷积的视频分析与动作识别
089.3D卷积原理解读.mp4
090.UCF101动作识别数据集简介.mp4
091.测试效果与项目配置.mp4
092.视频数据预处理方法.mp4
093.数据Batch制作方法.mp4
094.3D卷积网络所涉及模块.mp4
095.训练网络模型.mp4
十三、自然语言处理通用框架BERT原理解读
096.BERT任务目标概述.mp4
097.传统解决方案遇到的问题.mp4
098.注意力机制的作用.mp4
099.self-attention计算方法.mp4
100.特征分配与softmax机制.mp4
101.Multi-head的作用.mp4
102.位置编码与多层堆叠.mp4
103.transformer整体架构梳理.mp4
104.BERT模型训练方法.mp4
105.训练实例.mp4
十四、谷歌开源项目BERT源码解读（官方TF版）
106.BERT开源项目简介.mp4
107.项目参数配置.mp4
108.数据读取模块.mp4
109.数据预处理模块.mp4
110.tfrecord制作.mp4
111.Embedding层的作用.mp4
112.加入额外编码特征.mp4
113.加入位置编码特征.mp4
114.mask机制.mp4
115.构建QKV矩阵.mp4
116.完成Transformer模块构建.mp4
117.训练BERT模型.mp4
十五、基于PyTorch实战BERT模型（民间PyTorch版）
118.项目配置与环境概述.mp4
119.数据读取与预处理.mp4
120.网络结构定义.mp4
121.训练网络模型.mp4
十六、PyTorch框架实战模板解读
122.项目模板各模块概述.mp4
123.各模块配置参数解析.mp4
124.数据读取与预处理模块功能解读.mp4
125.模型架构模块.mp4
126.训练模块功能.mp4
127.训练结果可视化展示模块.mp4
128.模块应用与BenckMark解读.mp4
